The present invention relates to a bearing damage diagnosis method based on GS SVM under different working conditions, including the following steps: acquiring vibration acceleration signals of bearings under different working conditions; setting parameters of VMD algorithm; and calculating time-domain and frequency-domain indicators of the obtained vibration acceleration signals, and decomposing the obtained vibration acceleration signals by VMD. The decomposition results are used to calculate the sample entropy; 4: According to the time-domain index, frequency-domain index and component sample entropy of the vibration acceleration signal obtained, the eigenvector is formed and normalized; 5: The penalty coefficient C and radial basis function parameter g of the support vector machine are optimized by grid search method, and the training set is input into the support vector machine for training; 6: The test set is transmitted. After training, the support vector machine is used to judge the damage degree of the fault bearing. The invention can construct the optimal SVM, and can diagnose the damage degree of the bearing more accurately.
【技术实现步骤摘要】
基于GS-SVM的不同工况下轴承损伤程度诊断方法
本专利技术涉及转类机械故障智能诊断领域,具体涉及一种基于GS-SVM的不同工况下轴承损伤程度诊断方法。
技术介绍
轴承作为传动系统不可或缺的零部件,其运行状态的好坏将直接关系到整个设备的工作情况。因此,轴承的状态监测和故障诊断一直备受关注。及时发现轴承故障类型,根据其损伤程度采取相应的处理措施能够有效的避免连锁故障的发生,从而可以降低设备维护成本,避免重大危险事故的发生。当轴承发生故障时,常用信号处理方法进行分析,后使用Hilbert变换进行包络解调分析。然而,当同一种故障的严重程度不同时,包络谱无法对损伤程度进行表征。故常规的故障诊断方法难以实现轴承损伤程度的诊断。近年来,神经网络、聚类分析、支持向量机等智能诊断方法深受学者青睐,在故障分类、故障智能识别、传动系统健康评估、零部件的寿命预测都有较广的应用。对于轴承损伤程度的诊断,两个主要技术难点是如何特征提取和选择分类算法。对于特征选取,有学者采用小波分解、EMD分解、EEMD分解后,对其若干分量进行能量提取或者近似熵的计算,从而构造智能识别算法所需的特征向量。尽管这些方法在故障特征提取得了一定的效果,但仍存在以下问题:(1)小波分解难以根据不同信号实现小波基和分解层数的自适应选择;(2)EMD分解存在端点效应及模态混叠现象,EEMD分解尽管改善了EMD中的模态混叠现象,但白噪声的选择不具有自适应性。不同于上述信号处理方法,变分模态分解(VMD)是一种非递归的自适应信号分解方法,能够有效避免模态混叠、端点效应等问题。显然VMD较上述方法更适合故障信息的提取 ...
【技术保护点】
1.一种基于GS‑SVM的不同工况下轴承损伤程度诊断方法,其特征在于,包括如下步骤:步骤S1:获取不同工况下轴承的振动加速度信号;步骤S2:设定VMD算法中的惩罚因子
【技术特征摘要】
1.一种基于GS-SVM的不同工况下轴承损伤程度诊断方法,其特征在于,包括如下步骤:步骤S1:获取不同工况下轴承的振动加速度信号;步骤S2:设定VMD算法中的惩罚因子α=2000,根据健康状态的振动信号从避免模态混叠的角度确定所有信号的模态分解个数K;步骤S3:计算所获取振动加速度信号的时域指标、频域指标,并由步骤S2确定的VMD参数,对所获取的振动加速度信号进行VMD分解,基于分解结果,计算其样本熵;步骤S4:根据得到的振动加速度信号的时域指标、频域指标与分量样本熵构成特征向量并进行归一化,将归一化后的特征向量随机分成训练集和测试集;步骤S5:采用网格搜索法对支持向量机的惩罚系数C和径向基核函数参数g寻优,将训练集输入支持向量机进行训练,得到训练后的支持向量机;步骤S6:将测试集输入训练后的支持向量机,判断故障轴承的损伤程度。2.根据权利要求1所述的基于GS-SVM的不同工况下轴承损伤程度诊断方法,其特征在于:所述不同工况下轴承的振动加速度信号包括健康、轴承微弱故障、轴承中度故障、轴承重度故障振动加速度信号,每种信号都包含0Hp、1Hp、2Hp、3Hp四种不同负载,每种工况下的实测信号长度和个数均相等。3.根据权利要求1所述的基于GS-SVM的不同工况下轴承损伤程度诊断方法,其特征...
【专利技术属性】
技术研发人员:张俊,张建群,钟敏,汤伟民,许涛,李习科,
申请(专利权)人:福州大学,江苏泰隆减速机股份有限公司,
类型:发明
国别省市:福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。